Jan, 2024

神经群体解码与癌症亚型诊断不平衡多组学数据集

PDF
TL;DR近期神经计算领域的研究取得了长足的进展，在神经元计算和脉冲神经网络的结合中采用了 Winner Take All (WTA) 电路作为一个符合神经生物学可行性的信息处理模型。然而，关于如何将这些网络的随机响应最佳转化为离散决策的过程，即人口解码，研究人员尚未达成共识。我们的研究表明，人口解码对 WTA 网络的分类性能有重要影响。为了验证这一点，我们将 WTA 网络应用于使用来自癌症基因组图谱 (TCGA) 数据集的多组学数据进行癌症亚型诊断问题，并使用基于 Kohoens 自组织映射算法的基因相似性网络的新型特征编码技术。我们进一步表明，在面对不平衡数据集时，选择特定的人口解码方法会放大影响。
neural computationwinner take all circuitshierarchical bayesian inferencespiking neural networkspopulation decoding
发现论文，激发创造
  • 癌症生存预测的多模态原型

    整合多模态存活方法、千亿像素组织学全幻灯片图像和转录组学，通过凝聚形态学原型和生物途径原型对 WSI 和转录组简化，再利用聚合网络（Transformer 或最优运输交叉对齐）处理得到的多模态令牌，能在较小且固定的令牌数量下实现高性能预测肿瘤患者预后、分层，同时实现较少的计算量并具备新的可解释性分析。

    Jun, 2024

  • 自动化双折叠加权集成算法及其在脑肿瘤检测和分类中的应用

    提出了两种创新的双层加权投票集成模型，旨在提高加权集成方法的效果，通过选择概率最高的分类结果（第一种方法）和最高加权预测（第二种方法）来确定最优结果。这些方法显著提高了加权集成技术的整体性能，并通过与软投票技术的对比分析证明了其优越性和有效性。

    Mar, 2024

  • 基于多头注意力机制模型的多组学数据癌症亚型的预测和分析

    我们提出了一种监督式多头注意机制模型（SMA）来成功分类癌症亚型。SMA 模型的注意机制和特征共享模块可以成功学习多组学数据的全局和局部特征信息。通过与 AE、CNN 和 GNN 等模型在模拟、单细胞和癌症多组学数据集上进行广泛实验验证，SMA 模型相比其他模型在准确性、F1 宏观值、F1 加权值和癌症亚型分类上取得了最高的精度，因此为基于多组学数据的未来研究做出了贡献。

    Aug, 2023

  • 基于基因组引导的表征学习用于病理学全癌肿瘤微环境亚型预测

    基于肿瘤来源相似的微环境模式，我们提出了 PathoTME，一个利用基因组引导的孪生表示学习框架，使用全切片图像进行泛癌肿瘤微环境亚型预测。

    Jun, 2024

  • 组织基因知识蒸馏用于癌症预后从组织病理学全扫描图像

    G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络，通过对 WSI 图像进行基因组数据重构，实现了来自组织病理学和基因组学角度的病人超级关注建模，以改善癌症预后。

    Mar, 2024

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015

  • 多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

    本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

    Jan, 2020

  • 对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力

    利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。

    Sep, 2023

  • 使用无监督聚类优化深度学习模型，预测基因突变

    本研究提出了一种基于非监督聚类的多实例学习方法，将其应用于三种癌症（CRC、LUAD 和 HNSCC）的 WSI 深度学习模型开发，使其能够更好地预测基因突变。结果显示，该方法可以识别预测性图像块，排除缺乏预测信息的图像块，并改善所有三种癌症类型中基因突变的预测效果。此外，我们的方法也能更好地识别预测基因突变的空间区域，证明 WSI 中的肿瘤区域不一定是最好的预测区域。

    Mar, 2022

  • 通过跨数据集迁移学习增强 EEG 信号通路中的病理检测

    基于脑电图信号和解码脑活动的病理诊断在理解神经系统疾病方面具有巨大重要性；随着人工智能方法和机器学习技术的发展，准确的数据驱动诊断和有效的治疗潜力显著增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上都面临各种挑战；特别是在低范围的场景中数据标记稀缺，由于征募费用高昂，真实患者群体的可用性有限，一直强调了规模化和迁移学习技术的重要部署。本研究探讨了一个真实的病理分类任务，以突出数据和模型规模化以及跨数据集知识迁移的有效性；观察到通过数据规模化而产生的性能改进程度不同，表明需要进行谨慎评估和标注；此外，我们还确定了可能的负迁移的挑战，并强调了克服分布迁移和潜在虚假相关性的一些关键组成部分的重要性，实现积极的迁移；当已有少量标记数据时，通过使用源数据集的知识（如 TUAB 数据集），我们发现目标模型在目标（NMT）数据集上表现得更好；我们的发现表明，一个小型和通用的模型（如 ShallowNet）在单个数据集上表现良好，然而，一个较大的模型（如 TCN）在从较大和多样化的数据集中进行迁移和学习时表现更好。

    Sep, 2023